使用scipy.optimize出现'numpy.float64'对象不可调用错误，原因是什么？

所有这类报错的核心原因都是：优化器预期接收一个可调用的函数对象作为输入的位置，你实际传入了一个numpy.float64类型的数值。在scipy.optimize的使用场景下，常见触发场景如下：

• 目标函数传参错误：你把提前计算好的目标函数值传给了优化器，而不是函数本身。
  错误示例：

  # 错误写法：第一个参数提前执行了func(x0)得到的是浮点数值
  res = spo.minimize(func(x0), x0=x0, bounds=bounds)
  

  正确写法：

  # 正确写法：第一个参数传入函数本身，优化器会内部自动调用
  res = spo.minimize(func, x0=x0, bounds=bounds)
  

• 变量名冲突：你定义的目标函数名被后续的浮点数值覆盖了。比如你先定义了def loss(x): return np.sum(x**2)，后续又写了loss = np.mean(arr)这类代码，把loss变量从函数对象变成了float64数值，再传loss给优化器就会报错。
• 带额外参数的目标函数传参错误：如果你的目标函数需要除优化变量之外的额外参数，直接执行函数传参相当于提前求值得到数值。
  错误示例：

  def loss(x, a, b): return a * x**2 + b
  a, b = 2, 3
  # 错误写法：提前执行得到的是数值
  res = spo.minimize(loss(x, a, b), x0=1)
  

  正确写法：用args参数传递额外参数，或者用lambda包装

  # 写法1：用args传参
  res = spo.minimize(loss, x0=1, args=(a, b))
  # 写法2：lambda包装
  res = spo.minimize(lambda x: loss(x, a, b), x0=1)
  

• 导数类参数传参错误：如果你手动指定了jac（梯度）、hess（海森矩阵）等参数，同样需要传入可调用函数，如果传入提前计算好的数值，也会触发相同报错。

你可以在调用优化接口前加一行print(type(你传入的目标函数变量名))快速验证，如果输出为<class 'numpy.float64'>，即可确认是上述的传参或者变量覆盖问题。

内容的提问来源于stack exchange，提问作者vethraut